图变换网络用于精确能带结构预测：一种端到端方法
材料科学
2025-10-02 v2 机器学习
摘要
从晶体结构预测电子能带结构是材料科学中理解结构性质关联的关键任务。第一性原理方法准确但计算密集。近年来，机器学习广泛应用于该领域，而现有机器学习模型主要关注能隙预测或通过求解预测哈姆顿量来估计间接能带结构。仍缺乏能够准确且高效预测能带结构的端到端模型。本文引入了基于图变换的端到端方法，直接从晶体结构预测能带结构。该方法利用k路径的连续性，将连续能带视为序列。我们证明该模型不仅提供准确的能带结构预测，还能以高精度推导出其他性质（如能隙、能带中心和能带色散）。我们在大规模且多样化的数据集上验证了该模型的性能。
引用
@article{arxiv.2411.16483,
title = {Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach},
author = {Weiyi Gong and Tao Sun and Hexin Bai and Jeng-Yuan Tsai and Haibin Ling and Qimin Yan},
journal= {arXiv preprint arXiv:2411.16483},
year = {2025}
}